Я пытаюсь построить нейронную сеть как генеративную модель, чтобы предсказать следующий вектор, следующий за последовательностью векторов (каждый вектор представляет собой распределение действительных чисел длины n
).Последовательная нейронная сеть
Моей мыслью было принять k
предыдущих последовательностей и объединить их в k
x n
входной вектор. Чтобы обучить модель, у меня был бы следующий вектор в последовательности как выход. Поскольку я ищу недетерминированный результат, я собирался использовать сигмоидную функцию активации с низким градиентом.
Эта процедура представляется разумной?
В надежде, что это так, я попытался реализовать его в R, используя библиотеки nnet
и neuralnet
, но это документация и примеры, с которыми я столкнулся, кажется, что входные и выходные векторы должны иметь одинаковую длину. Каков синтаксис для обучения по векторам ввода/вывода переменной длины в любом из этих модулей?
Образец моего входного вектора:
[,1]
[1,] 0
[2,] 0
[3,] 0.6
[4,] 0.4
[5,] 0
[6,] 0
[7,] 0.06666667
[8,] 0.6666667
[9,] 0
[10,] 0.2666667
[11,] 0
[12,] 0.4
[13,] 0
[14,] 0
[15,] 0.6
и вектор выхода:
[,1]
[1,] 0
[2,] 0
[3,] 0.8571429
[4,] 0
[5,] 0.1428571
нотабене Вышеуказанный образец имеет n=5
, k=3
, хотя мой фактический набор данных имеет n~200
. В обоих случаях отдельные векторы нормализованы до 1.
Любая помощь очень ценится!
Вы спрашиваете многомерный регресс, как в финансовых? –
В некотором смысле, да. Я ищу, чтобы сгенерировать следующий вектор, увидев (и узнав) из предыдущих векторов. Мои данные не являются финансовыми, но они могут применяться и там. – zanbri
Это по существу нейронная сеть с 15 входными переменными и 5 выходными переменными, верно? –